1.前言
随着电信业务的发展和体制改革地不断深化，国内电信行业内部各大运营商之间的竞争日趋激烈，这一趋势在国内移动通信业内表现的尤为突出。移动通信运营商为了获取更多的客户资源和占有更大的市场份额往往采取“简单”的价格竞争和“此起彼伏”的广告宣传战，其弊端显而易见。这就要求运营商要采取以客户为中心的策略，根据客户的实际需求提供多样化、层次化、个性化的服务解决方案。因此，客户关系管理（CRM）成了电信运营商增加收入和利润，提高客户满意度、忠诚度的有效工具。在客户关系管理的流程中，为了准确、及时地进行经营决策，必须充分获取并利用相关的数据信息对决策过程进行辅助支持。近几年迅速发展起来的数据挖掘技术就是实现这一目标的重要手段。
从电信业务层面来讲，电信业务已从单纯的提供市话和长话服务演变为提供综合电信服务，如宽带、移动电话、语音、传真、图像、电子邮件、计算机和Web数据传输，以及其他数据通信服务。电信、计算机网络、因特网和各种其他方式的通信和计算机的融合是目前的大势所趋。而且随着许多国家对电信业的开放和新兴计算与通信技术的发展，电信市场正在迅速扩张并越发竞争激烈。因此，为了提高企业竞争力利用数据挖掘技术来挖掘现有电信业务能力，提高商业效率具有重要意义。
数据挖掘的概念
数据挖掘是根据企业的既定业务目标和存在的问题，对大量的业务数据进行探索，揭示其中隐藏的规律，并将其模型化，指导并应用于企业的实际经营。
数据挖掘是建立在数据仓库基础上的高层应用，但数据挖掘跟数据仓库的其它一些应用如OLAP分析、预定义报表和即席查询等有很大的区别。后三者通常是用户根据已知的情况对所关心的业务指标进行分析；而前者则是在业务问题和目标明确但考察的问题不清楚时，对数据进行探索，揭示隐藏其中的规律性，进而将其模型化。
电信运营商拥有许多成熟的数据库应用系统，如网管系统、财务系统、计费账务系统、112障碍管理系统、缴费销账系统等，并产生了大量的业务处理数据。如果针对客户关系管理相关决策分析的需求，对这些数据进行重组整合，就能充分利用这些宝贵的数据，体现信息的真正价值。
国内数据挖掘应用中存在的问题
数据质量和完备性
国内电信运营商现有的、面向事务的数据在质量、完整性和一致性上存在许多问题，必须投入大量的精力去进行数据的抽取、净化和处理。此外，业务问题的相关数据有时难以全面收集。例如客户信用是客户价值评估中的关键因素，但由于国内未建立完善的信用体系，无法根据现有客户数据建立优质的信用评价模型，从而导致客户价值模型有效性的降低。
相应的人员素质
在数据挖掘应用过程的多个环节中，人的主观辨识和控制是应用成败的关键，这就对系统使用人员提出了很高的要求。如果没有具备相应素质的使用和维护人员，必将导致分析系统与现实脱钩，无法达到预期效果。
应用周期
数据挖掘存在一个较长的应用周期。技术本身不能给使用者解决任何问题，只能从数据中把一些潜在的情况呈现到使用者面前，由使用者采取相应措施。数据挖掘应用的有效方法是：从一个较小的、关键的问题出发，建立起相对有效的模型，并通过应用实践不断检验和完善模型，逐步替使用者解决问题。
电信数据挖掘项目实施的意见与建议
数据挖掘理解上的误区：
a) 数据挖掘系统将会直接告诉你有关商业问题的答案；
b) 数据挖掘系统将在工作流程中替代专业业务管理人员的角色；
c) 数据挖掘系统的建设过程中无视内部的知识和专家经验；
d) 数据挖掘系统是理论性的、以研究学习为导向的方法。
数据挖掘项目的建议：
结合项目的投资确定数据挖掘项目的目标和回报周期，保证项目的可实施性。
a) 数据挖掘项目整个实施流程的管理和控制是非常重要的；
b) 数据挖掘项目需要和用户的专业业务人员紧密配合，共同寻找答案；
c) 培训业务人员，传递产品技能，提供挖掘分析的技术支持，让业务专家而不是技术
人员成为项目的主导者；
d) 需要提供外部观点和一般经验，同时与内部特色相结合；
e) 确保实际的，以结果为导向的项目原则。
本手册将从客户流失、客户细分、客户满意度和营销响应四个大方面，使用Clementine 具体讲述数据挖掘在电信行业的具体应用。
2.挖掘主题
数据挖掘技术在电信行业客户关系管理的主要应用领域如下:
客户流失
随电信市场竞争的发展，客户选择电信产品及电信企业的余地越来越大，电信企业之间对客户的争夺也越来越激烈。面对日益激烈的市场竞争环境，电信企业传统的、被动式服务体系已无法满足客户需要，应对对手挑战。
为了留住最有价值的客户，您需要开展有效的保留活动。SPSS作为全球著名的分析软件提供商，对电信企业的客户流失问题十分关注，并有多年的研究经验。SPSS核心产品之一Clementine的CRISP－DM标准可以帮助电信行业用户规范数据挖掘流程减少客户流失。
营销响应
为了发展新客户和推广新产品，企业通常会针对潜在客户推出各种直接营销活动。然而，如果目标客户的选择不明确，营销活动往往花费巨大而取得的实际效益不佳。有效的促销活
动，不在于涉及客户的数量多少，而在于针对的都是具有高响应概率的目标人群。这不仅可以提升客户的满意度，增强客户对公司的忠诚度，而且可以降低客户获取费用，增加营销活动投资回报率，直接带来企业效益的增加。
SPSS采用探索性数据挖掘方法，如建立营销响应模型，通过对客户及其行为的各种属性进行分析，预测哪些客户会对某种产品或服务的营销活动进行响应，帮助企业在合适的时间，通过合适的渠道，以一种合适的接触频率，对合适的客户开展活动，从而提高营销活动的响应率和投资回报率。
市场细分
市场细分就是指按照消费者欲望与需求把一个总体市场划分成若干具有共同特征的子市场的过程。分属于同一细分市场的消费者，他们的需要和欲望极为相似；分属于不同细分市场的消费者对同一产品的需要和欲望存在着明显的差别。市场细分的目的就是从各个细分的消费者群当中，辨认和确定目标市场，然后针对客户的特点采取独特的产品或市场营销战略，以求获得最佳收益。
SPSS的客户细分帮助您实现客户价值的最大化和风险最小化。客户细分也是进行深入分析的基础。利用聚类和分类等技术，SPSS预测分析技术能够发现特定群体客户的行为规律，确定客户价值，从而进一步预测客户消费行为，使营销活动更具有针对性，提高营销活动的市场回应率，使营销费用优化配置。
满意度分析
客户满意是指客户通过对一个产品或服务的可感知效果或结果与其期望值相比较后，所形成的愉悦或失望的感觉状态。客户满意度就是对客户满意水平的量化。客户的高度满意和愉悦创造了一种对产品品牌在情绪上的共鸣，而不仅仅是一种理性偏好，正是这种由于满意而产生的共鸣创造了客户对产品品牌的高度忠诚。客户满意度研究能帮助企业把其有限的资源集中到客户最看重的特性方面，从而达到建立和提升客户忠诚并保留客户的效果。
SPSS客户满意度研究应用解决方案分析客户与市场、体验客户感受，提升客户满意度运用分析模型，通过综合分析潜在客户、现有客户、员工及合作伙伴等多个群体，了解客户满意度，对满意度优劣因素进行规类，获得满意度因果关系，构建科学的满意度评价指标体系，切实提高客户满意度水平。
销售提升解决方案
电信公司希望可以向现有客户销售新的产品和服务，提高现金收入并提升每个客户的收益率。例如，移动公司能够利用数据挖掘建立使用GPRS服务的客户个人属性和行为特征概述来理解客户行为，进而利用这一模型来预测针对这些客户还可以制定或推荐什么样的产品或者服务组合，然后我们就可以成功地对这些客户设定有效的销售战略。
SPSS 功能强大的分析产品能够帮助电信用户发现现有和潜在的客户需求，基于对客户的行为描述来制定提供有针对性的策略来获得最佳的新客户。利用购买行为模型向现有客户推荐产品和服务。例如，可以根据新用户的行为特征档案来制定适合提供他们的服务，吸引更多的新客户。另外，分析客户的购买偏好可以找到适合提供给现有客户的产品和服务。
客户市场推广分析
客户市场推广分析利用数据挖掘技术实现新的推广策略的仿真，根据数据挖掘模型进行模拟计费和模拟出账，其仿真结果可以揭示新策略中存在的问题，并进行相应的调整优化，以达到市场推广活动的收益最大化。
在电信行业中，优惠是市场营销中十分重要的一部分，优惠策略的不恰当，常常会得到
适得其反的市场效果。利用SPSS可以通过已建立的客户行为模型，仿真客户对优惠策略的反应，从而预测优惠策略实施的效果。通过对优惠策略的仿真，可以预测优惠策略的成功与否，从而进行相应的调整和优化。
客户欠费分析和动态防欺诈
随着国内电信市场的不断扩大，中国电信业中的欺诈现象也越来越严重。目前，国内电信商在应对恶意欠费上，基本还处于一种事后的、被动的、依赖人力的阶段。如果利用数据挖掘和统计分析技术，对欠费行为进行事前预测，在恶意欠费发生前就采取防范措施，就可以大幅减少欠费行为给运营商带来的巨额损失。
在对客户欠费进行准确定义之后，SPSS 系列产品和领先技术能够帮助您预测各客户可能欠费额、可能欠费级别并采取相应对策。首先，利用数据描述技术，可以对已知的欺诈性客户和非欺诈性客户进行有关的数据分析，发现可能影响客户欠费的因素。然后，我们可以根据对以上因素的分析和统计，构建预测模型，并应用到当前客户数据库中，利用上述预测结果，适时地对大客户进行重点跟踪，并在必要时采取措施，以减少损失。
简化管理
呼叫中心的运营管理被人们提到前所未有的高度，因为一个中心即使建得很好，技术也很先进，但如果管理不好，优势仍然发挥不出来。然而，管理对于很多呼叫中心来说，却是很难过的门槛。在呼叫中心中，话务量是个重要的指标，企业要根据话务量的大小，以及业务种类的不同，安排座席人员的数量和排班，但话务量是个变化的指标，以往比较难以预测。
使用SPSS数据挖掘可以帮助简化管理。使用时间序列分析可以对话务量的情况进行一定程度的预测，就可以更合理地安排座席人员的数量，从而降低企业的运营成本。另外，对业务进行相关性分析，分析出哪几种业务具有比较强的关联性。这样，在安排座席人员时，就可以将相关业务的人员进行一定程度的合并，减少人员数量，降低呼叫中心的经营成本。竞争对手分析
成熟的市场必然是一个竞争比较充分的市场。不同运营商客户之间的互联互通是最基本的前提，因此通过对客户与竞争对手客户之间通话的行为分析，可以建立有关竞争对手经营和客户服务的模型，比如竞争对手客户发展模型，通过对这些模型的使用，可以制定有效的市场应对策略。
SPSS可以由相互通话的记录中，掌握对手的客户量、业务量、客户增长情况等。推断对手的大客户，掌握其行为特征。预测对手下一步的市场策略，未雨绸缪，先发制人。准确评估己方市场策略对对手的影响。准确评估对方市场策略的效果及对己方的影响。分析其他竞争对手之间的竞争策略，评估其对各方影响。
3.解决方案
3.1客户流失
随着电信体制的改革和不断深化，国内电信行业内部各大运营商之间的竞争日趋激烈。电信运营商为了获取更多的客户资源和占有更大的市场份额，往往采取名目繁多的促销活动和层出不穷的广告宣传来吸引新客户。然而，统计发现，发展一个新客户比保持一个老客户的费用要高7倍，而如果“用户保持率”增加5%，将有望为运营商带来85%的利润增长。因此，
对老客户的保留直接关系到运营商的利益，无论是客户流失还是话务量流失都将对运营商的经营产生深远的影响。针对这一问题，目前国外电信界应用最为广泛的解决方案之一，是应用数据挖掘技术，研究流失客户的特征，从而对流失进行预测、并对流失的后果进行评估，采取客户保留措施，防止因客户流失而引发的经营危机，提升公司的竞争力。
具体说来，客户流失是指客户终止与企业的服务合同或转向其它公司提供的服务。客户流失分析是以客户的历史通话行为数据、客户的基础信息、客户拥有的产品信息为基础，通过适当的数据挖掘手段，综合考虑流失的特点和与之相关的多种因素，从中发现与流失密切相关的特征，在此基础上建立可以在一定时间范围内预测用户流失倾向的预测模型，为相关业务部门提供有流失倾向的用户名单和这些用户的行为特征，以便相关部门制定恰当的营销策略，采取针对性措施，开展客户挽留工作。
客户流失需要解决的问题
1.哪些现有客户可能流失？
客户流失的可能性预测。主要对每一个客户流失倾向性的大小进行预测。
2.现有客户可能在何时流失？
如果某一客户可能流失，他会在多长时间内流失。
3.客户为什么流失？
哪些因素造成了客户的流失，客户流失的重要原因是什么。主要对引起客户流失的诸因素进行预测和分析
4.客户流失的影响？
客户流失对客户自身会造成什么影响?
客户流失对电信公司的影响如何？对可能流失客户进行价值评估，该客户的价值影响了运营商将要付出多大的成本去保留该客户。
5.客户保留措施？
针对电信公司需要保留的客户，制定客户和执行保留措施。
电信客户流失的类型
为了避免由客户流失造成的损失，必须找出那些有流失危险和最有价值的客户，并开展客户保留活动。电信行业的客户流失现象可以分为以下三种情况：
1.公司内客户转移：客户转移至本电信公司的不同网络或不同业务。主要是电信公司增加
新业务，或者资费调整引发的业务转移，例如从普通的固定电话转至IP 电话。这种情况下，虽然就某个业务单独统计来看存在客户流失，并且会影响到公司的收入，但对公司整体而言客户没有流失。
2.客户被动流失：表现为电信运营商由于客户欺诈或恶意欠费等行为而主动终止客户使用
网络和业务。这是由于电信运营商在客户开发的过程中忽视了客户质量造成的。
3.客户主动流失：客户主动流失可分为两种情况。一种是客户不再使用任何一家电信运营
商的电信业务；另一种是客户选择了另一家运营商，即所谓的“客户跳网”。“客户跳网”的原因主要是客户认为公司不能提供他所期待的价值，即公司为客户提供的服务价值低于另一家电信运营商。这可能是客户对电信公司的业务和服务不满意，也可能是客
户仅仅想尝试一下别家公司提供而本公司未提供的新业务。这种客户流失形式是研究的主要内容。
如何进行客户流失分析？
对于客户流失行为预测来说，需要针对客户流失的不同种类分别定义预测目标，即明确定义何为流失，进而区别处理。预测目标的准确定义对于预测模型的建立是非常重要的，它是建立在对运营商的商业规则和业务流程的准确把握的基础之上。在客户流失分析中有两个核心变量：财务原因／非财务原因，主动流失／被动流失。对不同的流失客户按该原则加以区分，进而制定不同的流失标准。例如，非财务原因主动流失的客户往往是高价值的客户，他们会正常支付服务费用并容易对市场活动有所响应，这种客户是电信企业真正需要保留的客户。而对于非财务原因被动流失的客户，对于预测其行为的意义不大。
研究哪些客户即将流失时，是一个分类问题。将现有客户分为流失和不流失两类，选择适量的历史上流失客户和未流失客户的属性数据组成训练数据集，包括：客户的历史通话行为数据、客户的基础信息、客户拥有的产品信息等。Clementine提供人工神经网络，决策树，logistic回归等模型用于建立客户流失的分类模型。
关于流失用户特征的分析，是一个属性约减和规则发现问题。Clementine提供关联分析方法，可以发现怎样的规则导致客户流失。也可以利用Clementine的决策树方法，发现与目标变量——是否流失——关系最为紧密的用户属性。由于不同类型的客户可能具有不同的流失特征，因此，在进行深入的客户流失分析时，需要先进行客户细分，再对细分之后的客户群分别进行挖掘。
在预测客户流失时一个很重要的问题是流失的时间问题，即一个客户即将要流失，那么它可能什么时候会流失。生存分析可可以解决这类问题。生存分析不仅可以告诉分析人员在某种情况下，客户可能流失，而且还可以告诉分析人员，在这种情况下，客户在何时会流失。生存分析以客户流失的时间为响应变量进行建模，以客户的人口统计学特征和行为特征为自变量，对每个客户计算出初始生存率，随着时间和客户行为的变化，客户的生存率也发生变化，当生存率达到一定的阈值后，客户就可能流失。
分析客户流失对客户自身的影响时，主要可以考虑客户的流失成本和客户流失的受益分析。客户流失成本可以考虑流失带来的人际关系损失等因素，通过归纳客户的通话特征来表征。减少客户流失的一个手段就是增加客户的流失成本。客户流失的受益分析就是判断客户流失的动机，是价格因素还是为了追求更好的服务等。这方面内容丰富，需作具体分析。
分析客户流失对电信公司的影响时，不仅要着眼与对收入的影响，而且要考虑其他方面的影响。单个的客户流失对电信公司的影响可能是微不足道的，此时需要研究流失客户群对电信公司收入或业务的影响。这时候可能需要对流失客户进行聚类分析和关联分析，归纳客户流失的原因，有针对性的制定防止客户流失的措施。
在预测出有较大流失可能性的客户后，分析该客户流失对电信公司的影响。评估保留客户后的收益和保留客户的成本。如果收益大于成本，客户是高价值客户，则采取措施对其进行保留。至于低价值客户，不妨任其流失甚至劝其流失。
总之在利用数据挖掘研究客户流失问题时，需要明确并深入理解业务目标，在明确的业务目标的基础上准备数据、建模，模型评估，最后将模型部署到企业中。
案例分析
为了举例说明，我们设想为一个虚构的电信公司ABCTelcom的客户流失建模。ABCTelcom
原本是市场的领先者，但目前正受到来自其它电信公司日益激烈的竞争。由于竞争对手接连推出了一系列新产品，并进行了大量的促销活动。最近半年来，ABCTelcom的客户流失较为严重。为了保持其战略性市场主导地位，ABCTelcom公司计划开展客户保留活动。在活动进行之前，为了尽可能提高活动收益，ABCTelcom需要对现有的客户的数据进行分析，从众多客户中找出流失可能性高的优质客户并针对其开展活动。而对于流失可能性低或者保留成本大于收益的客户，则可以不展开活动。此外，客户流失预测也能帮助ABCTelcom发现那些申请服务后不久就欠费停机的客户，从而减少这类客户带来的损失。
1.商业理解
预测现有客户在未来六个月内流失的概率并分析保留客户活动的成本和收益，针对收益大于成本的客户开展客户保留活动，以减少公司优质客户的流失。
2.数据理解
（1) 数据说明
选取一定数量的客户信息（包括流失的和未流失的），选择相关的客户属性（包括客户资料、通话行为特征、消费属性、客服信息等）。利用直方图、分布图等数据分析工具初步确定哪些因素可能影响客户流失。所选取的数据说明如下：
1)用户编号
2)长途通话时间
3)国际通话时间
4)本地通话
5)掉线次数
6)付款方式
7)本地话单类型
8)长途话单类型
9)年龄
10)性别
11)婚姻状态
12)孩子数目
13)估计收入
14)是否有车
15)是否流失
其中客户流失状态有三种属性：
a)被动流失
b)主动流失，这是分析中特别关注的一类客户
c)未流失，仍然是ABCTelcom的客户
在分析中，我们主要关注的是主动流失的客户。被动流失对电信公司来说是意义最小的，因为被动流失通常是客户发生欺诈，欠费等行为后不再继续使用该公司服务。主动流失指的是客户停止在ABCTelcom的业务，转向了其竞争对手，这通常是因为别的公司能够提供更切合客户需求的产品服务，是该行关注的焦点。在具体的应用之前，ABCTelcom将所有现有的客户归到上述的三个类别中。同时，所有的人口统计信息（也就是从年龄到是否有车）每六个月更新一次，而交易信息（从长途通话时间到长途话单类型）则是每个月实时更新的。为了让预测模型能预先进行指示以便采取补救措施，在目标变量（因变量）和输入变量（自变量）之间设定了6个月的延迟。比如，人口统计信息和交易信息都是2007年1月收集的，而是否流失则是2007年7月的数据。也就是说，输入变量采集六个月后再将客户流失状态分类；因此该模型提早6个月预测客户流失。
（2) 数据描述和图形
Clementine提供了一系列数据描述和可视化的工具，可以帮助分析人员对数据分布以及数据之间的关系进行基本探索。这些工具包括：数据审核，统计分析，网络图，直方图，散点图，两步聚类等等。
图3.1.1描述了客户的性别分布。可见，主动流失的客户以女性为主。而被动流失的客户男女比例基本持平。在三种客户状态中，被动流失的比例是最小的。
图3.1.1：用户流失与性别的关系
3.数据准备
在数据准备阶段，分析人员根据数据理解的结果准备建模用的数据，包括数据选择、新属性的派生，数据合并等。
在本例中，由于长途通话时间，国际通话时间和本地通话时间都是反映用户的对电话的使用情况，因此，将三者合并，得到新的通话总时间变量：
通话总时间 = 长途通话时间 + 国际通话时间 + 本地通话时间
由于用户编号是一个系统自动生成的属性，不具有实际意义，因此，在分析中将用户编号排除到模型之外。
4.建立模型
将准备的数据划分为训练集和检验集，首先利用C5.0决策树模型进行属性约减，然后以约减后的属性为自变量，以是否流失为因变量，训练神经网络模型，得到相应的客户流失预测模型。对检验集应用该模型，并根据预测结果的准确性评价模型。下图是模型建立和评估的数据流图。
图3.1.2：Clementine中对客户流失建模的数据流图
执行数据流，C5.0算法得到的规则集如下图所示。可见其中年龄，收入，国际通话时间，本地通话时间和性别是最重要的五个变量。C5.0得到的规则集里，有三类客户很容易主动流失。但是这只是一个初始的分析结果，还需要使用神经网络对这五个变量进行进一步建模。
图3.1.3：Clementine中对客户流失进行属性约减得到的结果
由于我们的关心是客户主动流失，因此派生一个新变量流失概率，如果是否流失属性为主动流失，则取值为1，否则取值为0。采用年龄，收入，国际通话时间，本地通话时间和性别为输入变量，流失概率为目标变量，根据数据集训练得到一个5-1-1结构的神经网络模型信息如下。
图3.1.4：Clementine中采用神经网络对客户流失建模得到的结果
5.模型评估和部署
对训练集应用神经网络模型，可以对每个客户流失的可能性打分。将客户按照流失概率由大到小排序，然后根据公式：价值=长途通话时间*2 +国际通话时间*5 + 本地通话时间*1派生出每个客户的价值大小。分析客户价值和流失概率之间的关系，对高价值高流失概率的客户进行采取措施，如给与一定的优惠，进行挽留，对低价值的客户可以任其流失。
图3.1.5：模型评估和部署的数据流图
图3.1.6：评分和价值的散点图
对高价值高流失概率的客户采取营销活动进行挽留的成本和收益如下图所示。可见，通过及时地发现要流失的客户并根据客户价值及时采取挽留措施，可以避免因客户流失而带来的损失。在验证模型后，可以利用Clementine Publisher发布模型，使得模型可以在多种环境中使用。
图3.1.7：营销活动的成本和收益
3.2营销响应
为什么要进行营销响应分析？
为了发展新客户和推广新产品，电信公司通常会针对潜在客户推出各种直接营销活动。然而，如果目标客户的选择不明确，营销活动往往花费巨大而取得的实际效益不佳，甚至可能遭遇由于活动响应率太低而无法收回成本的境况。事实上，一方面，在当今竞争激烈的电信市场上，客户每天通过短信，电话，邮件，电子邮件，网站广告等方式会接触到大量的电信业务广告。缺乏针对性和足够吸引力的营销活动往往会被客户直接忽略。另一方面，电信用户越来越看重个性化服务，对新的电信业务具有较大的需求。
为了更好的满足客户需求，许多公司采用了促销活动管理系统来帮助执行促销活动。这些管理系统帮助增加了公司采取的促销活动的数量，却并不一定能改善促销活动的效率。事实上，不合适的促销活动和过多的促销活动只会导致用户对公司的不满意度增加。
所以，有效促销活动不在于数量的多少，而在于要在恰当的时机，通过恰当的方式，向恰当的用户推销恰当的产品。也就是说，有效的促销活动，不在于涉及客户的数量多少，而在于针对的都是具有高响应概率的目标人群。这不仅可以提升客户的满意度，增强客户对公司的忠诚度，而且可以降低客户获取费用，增加营销活动投资回报率，直接带来公司效益的增加。
提高营销响应率的成果是显然的。假设有100000个潜在客户，每客户期望平均收益为￥100元，若我们将响应率提高0.5%，达到1%，则花费同样的市场营销费用，每月能多增加收入￥50000元。
什么是营销响应？
营销响应模型是电信企业使用最频繁的一种预测模型。目标变量是预测谁会对某种产品或服务的宣传进行响应，因变量是客户及其行为的各种属性，如：客户年龄，客户收入，客户最近一次购买产品的时间，客户最近一个月的购买频率等。利用响应模型来预测哪些客户最有可能对营销活动进行响应，这样，当以后有类似的活动时，利用响应模型来预测出最有可能的响应者，从而对他们采取相应的营销活动。而对响应度不高的客户就不用对他们进行营销活动，从而减少活动成本，提高投资回报率。
如何提高营销响应率
电信公司应当在深入了解客户需求和客户特征的基础上，制定营销策略，从而达到增加营业收入和客户满意度的双重目标。我们提倡的不是针对最佳的客户群展开营销活动，而是针对每一个客户开展活动。所谓“知己知彼，百战不殆”，建立在对客户需求良好把握基础之上极具针对性的营销将极大地提高营销活动的成功率。要开展这样的营销活动，首先需要回答以下几个问题：
1.对谁开展营销活动？
2.多长时间开展一次营销活动？
3.何时开展营销活动?
4.如何开展营销活动?
电信公司在数据挖掘技术的帮助下，针对客户数据建立营销响应模型，在合适的时间，通过合适的渠道，以一种合适的接触频率，对合适的客户开展活动，从而提高营销活动的响应率和投资回报率。
图3.2.1：营销活动的四个要素
（1) 选择合适的客户
电信公司对以往的营销数据进行分析，采用决策树分类等数据挖掘方法，识别出具有高响应率特征的客户作为营销活动的目标客户。通过选择合适的客户，可以排除对促销活动反应不积极的客户，将目标客户的数量大大减小，从而在实现更有针对性地营销的同时减小营销成本。据统计，通过减小目标客户的数量，通常可以节省25-40%的营销费用，同时增加营销响应率。
（2) 选择合适的渠道
第二步是要针对用户选择合适的营销渠道，也就是和客户接触的方式。通过使用每个用户偏爱的方式与之接触，也有利于提升客户响应率。在确定促销渠道时，要考虑客户对渠道的偏爱，渠道成本，期望的响应率，其他营销限制条件等。
（3) 选择合适的时间
在当今竞争激烈的社会里，客户有很多满足自己需求的机会和选择。因此，一旦发现了客户尚未被满足的需求或者出现遗失客户风险时，一定要及时和客户接触。这种事件驱动的促销方式，通常也可以取得较高的响应率。
（4) 选择合适的活动频率
此外，并不是促销活动越多，效果越好。活动计划者需要根据实际情况，针对具体的客户，选择一个最优的活动次数，既使得客户的各种需求得到较好的满足，又避免因为过于频繁的接触而导致客户的反感。同时，过多的营销活动，也会增加营销成本。需要在提高的成本和提高的响应率带来的收益之间寻找一个最优点。客户自身的偏好对于营销活动的频率确定也至关重要，比如，对于不喜欢过于频繁的接到促销电话的客户，就要适量降低电话促销的频率。通过选择更有针对性地选择客户和根据客户的需求和偏好来推广促销活动，可以将促销活动的投资收益率提高25%—50%。
表3.2.1：营销活动过程
阶段 1．合适的客户 2．合适的渠道 3．合适的时间 4．合适的营销频
率
目标 为营销活动选择最佳
客户
为目标客户选择最
优营销方式
在合适的时间对
目标客户开展营
销
确定最适合客户
的营销频率
方
法
预测分析 渠道优化 事件营销 促销优化
策略 预测谁是最有可能响
应营销并且能给营销
活动带来收益的客户
在客户偏爱的方式
和公司的成本与能
力之间选取最优结
合点
变小的，经常性的
营销活动为事件
触发的营销活动
在客户响应率和
公司收益之间选
择最佳结合点
好处 降低25%-40%的营销成
本
降低接触客户的成
本
响应率的提高至
少达到两倍
提高25%-50%的收
益
案例分析
为提升业绩，某电信公司要决定执行直接营销活动。为此，分析人员需要识别出可能回应直接营销活动的客户，从而展开有针对性的直接营销。
1.商业理解
识别出可能回应直接营销活动的客户，提高营销活动的响应率。
2.数据理解
收集部分以往的营销活动数据（包括对活动响应的客户数据和未对活动响应的客户数据），选择客户属性，包括客户人口统计学特征和账户信息等。利用直方图、分布图来初步确定哪些因素可能影响客户响应。所选取的数据属性包括：编号，年龄，收入，孩子数目，是否有汽车，是否抵押贷款，居住区域，性别，婚姻状况，在该银行是否有储蓄帐户，在该银行是否有活期账户，是否对促销活动响应等12个字段。
其中是否响应是预测的因变量，共有两个属性：
否：客户未响应营销活动
是：客户响应营销活动
图3.2.2：数据
首先采用直方图，散点图等工具对数据之间的关系进行初步探索。下图是按照响应与否察看收入与孩子数目之间的散点图。可见，如果只考虑“孩子数目”属性，发现随着孩子数目增加，响应的客户比率降低。同时考虑“孩子数目”和“收入”属性，发现响应比率与“收
入”和“孩子数目”的比值相关，这个比值通常被成为“相对收入”。
图3.2.3：收入与孩子数目的散点图
下图是孩子数目的分布图。有一个孩子的客户数目最多，占到了44.3%。而在这些有一个孩子的客户中，大部分是对直接营销活动进行响应的客户。总的说来，随着孩子数目增加，客户响应率降低。
图3.2.4：孩子属性分布图
3.数据准备
根据数据理解的结果准备建模用的数据，包括数据选择、新属性的派生，数据合并等。
由于用户编号是一个系统自动生成的属性，不具有实际意义，因此，在分析中将用户编号排除到模型之外。
此外，在数据理解中发现，是否响应与“收入”和“孩子个数”的比率有关，因此，派生出“相对收入”属性，定义为：
如果“孩子个数”为0，则“相对收入”＝“收入”；
否则，“相对收入”＝“收入”/“孩子个数”。
在下边的分析中，收入和孩子个数将被排除到模型之外，而代之以“相对收入”进行分析。
4.建立模型及评估
对数据进行预处理之后，分别使用C5.0决策树分类模型，神经网络模型，C&RT决策树分类模型，以客户属性为输入变量，以客户是否响应为目标变量进行分类。然后对测试集分别应用这三个模型，选取效果最好的模型部署到企业中。
图3.2.5：部分数据流图
使用C5.0决策树对是否响应建模，得到的部分规则集如下图所示。
图3.2.6：C5.0决策树分类结果
使用神经网络模型对是否响应进行分类，得到的结果如下。通过训练，得到一个20-3-2
结构的神经元网络模型，其估计精度达到了87.77%。其中最重要的字段包括：相对收入，孩子数目，收入等。
图3.2.7：神经网络分类结果
使用C&RT决策树对是否响应建模，得到的分类树如下图所示。可见，当相对收入小于 25564.5时，客户倾向于不响应；当收入大于25564.5，孩子数目小于等于0.5（需要根据实际情况进行分析），没有抵押贷款，且年龄小于等于45时，倾向于不响应；当收入大于25564.5，孩子数目小于等于0.5，没有抵押贷款，且年龄大于45时，这样的客户响应率高。
图3.2.8：C&RT分类结果
之后使用测试集评估不同模型的表现。下图给出了模型评估的结果。其中是否响应表示目标变量的真实值，$C-是否响应代表使用C5.0模型得到的目标变量预测值，$N-是否响应代表使用神经网络模型得到的目标变量预测值，$R-是否响应代表使用C&RT模型得到的目标变量预测值，可见，这三个模型中，C5.0的预测精度是最高的，达到了95.29%以上。最后，还可以查看不同模型预测结果的一致性。
图3.2.9：模型评估
5.模型部署
通过建模和评估后，选择预测精度最高的C5.0模型部署到企业中。部署的数据流图如下图所示。新的用户数据在经过C5.0模型评分后，按照流失评分的高低排序，通过Clementine Publisher发布。
图3.2.10：模型部署数据流图
最后发布的结果如下表所示。评分就是某个客户流失的概率大小。
3.3客户细分
客户细分的背景
随着电信体制改革的深化，中国加入WTO，我国电信运营业的竞争也日趋激烈。现今，“个性化”营销、“一站式”服务、沟通“零距离”、“用户至上，用心服务”等词眼层出不穷。综合来说，这些与营销和服务相关的术语、理念，对象都是电信客户。服务源于良好的营销，因此，客户关系最终决定了电信市场营销。
我国电信业发展到今天，不仅初步形成六大运营商同台竞技的市场格局，而且从“卖方市场”转向“买方市场”，决定了客户关系的“大一统”必然向细分客户关系和“个性化”营销和服务的转变。因此，细分客户关系是电信营销的关键所在，客户细分可以对客户获取、客户保持、客户增值等提供全面的支持。恰当的细分标准必须得到有效的细分方法的辅佐，细分方法的选取应该取决于细分的目的和主题，当目的明确时可以选取若干细分标准而后进行多维细分，但当运营商着眼于更广泛的消费者特性分析时，这种主观定义的细分方法就显得力不从心，数据挖掘方法相比于基于统计的客户细分方法的功效就强大得多，运营商对数据挖掘的重视程度也日益加深。基于数据挖掘技术的分类方法，为更深入的客户细分提供有效的手段。与其他行业相比，中国电信运营业拥有更多有关用户的数据。谁能正确地挖掘与分析隐含这些数据中的知识，谁就能更好地向用户提供产品与服务，能够发现更多的商机，从而在竞争中获胜。
客户细分的概念
客户细分的概念是美国市场学家温德尔·史密斯(Wendell R．Smith)于2O世纪5O年代中期提出来的。
客户细分(Customer Segmentation)是指按照一定的标准将企业的现有客户划分为不同的客户群。客户细分是客户关系管理的核心概念之一，是实施客户关系管理重要的工具和环节。Suzanne Donner认为：正确的客户细分能够有效地降低成本，同时获得更强、更有利可图的市场渗透。通过客户细分，企业可以更好地识别不同客户群体对企业的价值及其需求，以此指导企业的客户关系管理，达到吸引合适客户，保持客户，建立客户忠诚的目的。
所谓客户细分主要指企业在明确的战略、业务模式下和专注的市场条件下，根据客户的价值、需求和偏好等综合因素对客户进行分类，分属于同一客户群的消费者具备一定程度的相似性，而不同的细分客户群间存在明显的差异性。客户细分的理论依据主要有：
1.客户需求的异质性。影响消费者购买决策因素的差异决定了消费者的需求、消费者的消费行为必然存在区别。因此可以根据这种差异来区分不同的客户，客户需求的异质性是进行客户细分的内在依据。
2.消费档次假说。随着经济的发展和消费者收入水平的提高，消费量会随之增加。但消费量的增加并非线性增长，而是呈现出区间性台阶式的变化形式，一旦消费者达到某种消费层次之后，消费变化的趋势将变得非常平缓。根据消费档次假说，消费者的消费档次或消费习惯在一段时期内是相对稳定的，这就为通过消费行为来划分消费群体提供了理论前提和基础。
3.企业资源的有限性和有效市场竞争的目的性。资源总是希缺的，由于缺乏足够的资源去应对整个客户群体，因此必须有选择地分配资源。为了充分发挥资源的最大效用，企业必须区分不同的客户群，对不同的客户制定不同的服务策略，集中资源服务好重点客户。
SPSS数据案例分析
SPSS数据案例分析 目录 一.手机 APP 广告点击意愿的模型构建 (3) 1.1构建研究模型 (3) 1.2研究变量及定义 (4) 1.3研究假设 (4) 1.4变量操作化定义 (4) 1.5问卷设计 (5) 二．实证研究 (8) 2.1基础数据分析 (8) 2.2频数分布及相关统计量 (8) 2.3相关分析 (10) 2.4回归分析 (11) 2.5假设检验 (13)
一.手机APP 广告点击意愿的模型构建 1.1构建研究模型 我们知道效用期望、努力期望、社会影响对行为意愿会产生一定的影响，在模型中的性别、年龄、经验与自愿性等四个控制变量，通常都是作为控制变量来观察他们对采用因素与使用意向之间的关系的影响。因此，目前手机 APP 广告的使用人群年龄相对比较年轻，而且年龄特征分布高度集中，年龄在 30 岁以下的人群占到 70%以上，因此本研究考虑性别了这一变量，同时根据手机 APP 广告用户的特性，加入了手机流量作为控制变量，去观察它们对外部变量与点击意愿之间的关系是否有显著影响。 在本研究中，主要把调节变量和控制变量作为两个不同的研究变量，对于调节变量感知风险来说，它是直接影响了感知风险与手机 APP 广告点击意愿二者的关系；而控制变量性别、手机流量这些变量是对广告效用期望、APP 效用期望和社会影响与点击意愿直接的关系是否有显著影响。最后，本文根据手机APP 广告的特点对 UTAUT 模型进行扩展，构建了手机 APP 广告点击意愿的影响因素研究模型。
1.2研究变量及定义 1.3研究假设 (1) 广告效用期望、APP 效用期望、社会影响与手机 APP 点击意向的关系 H1：用户的广告效用期望与点击手机 APP 广告意愿正相关。 H2：用户的 APP 效用期望与点击手机 APP 广告意愿正相关 H3：社会影响与手机 APP 广告点击意愿正相关 （2）感知风险与点击手机 APP 广告意愿的关系 H4：感知风险与手机 APP 广告点击意愿负相关 H5：性别，手机流量对手机 APP 广告点击意愿没有显著影响 1.4变量操作化定义 广告效用期望：广告对我了解某品牌来说很有用 APP 效用期望：使用 APP 能够让我了解到多方面的信息 社会影响：身边的人都在使用手机 APP 广告，所以我也要使用 感知风险：在点击手机 APP 广告时，我担心我的个人隐私安全得不到保护 感知隐私安全重要性：确保点击手机 APP 广告是安全的，对我来说是很重
关于某公司474名职工综合状况的统计分析报告 一、数据介绍： 本次分析的数据为某公司474名职工状况统计表，其中共包含十一变量，分别是：id（职工编号），gender(性别)，bdate(出生日期)，edcu（受教育水平程度），jobcat（职务等级），salbegin（起始工资），salary（现工资），jobtime(本单位工作经历<月>)，prevexp(以前工作经历<月>)，minority(民族类型)，age(年龄)。通过运用spss统计软件，对变量进行频数分析、描述性统计、方差分析、相关分析、以了解该公司职工上述方面的综合状况，并分析个变量的分布特点及相互间的关系。 二、数据分析 1、频数分析。基本的统计分析往往从频数分析开始。通过频数分析能够 了解变量的取值状况，对把握数据的分布特征非常有用。此次分析利用了某公司474名职工基本状况的统计数据表，在gender(性别)、edcu（受教育水平程度）、不同的状况下的频数分析，从而了解该公司职工的男女职工数量、受教育状况的基本分布。 Statistics 首先，对该公司的男女性别分布进行频数分析，结果如下：
上表说明，在该公司的474名职工中，有216名女性，258名男性，男女比例分别为45.6%和54.4%，该公司职工男女数量差距不大，男性略多于女性。 其次对原有数据中的受教育程度进行频数分析，结果如下表： Educational Level (years)
14 6 1.3 1.3 52.5 15 116 24.5 24.5 77.0 16 59 12.4 12.4 89.5 17 11 2.3 2.3 91.8 18 9 1.9 1.9 93.7 19 27 5.7 5.7 99.4 20 2 .4 .4 99.8 21 1 .2 .2 100.0 Tot 474 100.0 100.0 al 上表及其 直方图说明，被调查的474名职工中，受过12年教育的职工是该组频数最高的，为190人，占总人数的40.1%，其次为15年，共有116人，占中人数的24.5%。且接受过高于20年的教育的人数只有1人，比例很低。 2、描述统计分析。再通过简单的频数统计分析了解了职工在性别和受教
探索大数据和人工智能 1、2012 年 7 月,为挖掘大数据的价值 ,阿里巴巴集团在管理层设立 ()一职 ,负责全面推进“数据分享平台”战略 ,并推出大型的数据分享平台。 A首席数据官 B.首席科学家 C.首席执行官 D.首席架构师 2、整个 MapReduce的过程大致分为Map 、 Shuffle 、 Combine 、()? A.Reduce B.Hash C. Clean D. Loading 3、在 Spak 的软件栈中 ,用于交互式查询的是 A.SparkSQL B.Mllib C.GraphX D. Spark Streaming 4、在数据量一定的情况下, MapReduce是一个线性可扩展模型,请问服务器数量与处 ( ) 理时间是什么关系 ? A数量越多处理时间越长
B.数量越多处理时间越短 C.数量越小处理时间越短 D.没什么关系 5、下列选项中 ,不是 kafka 适合的应用场景是 ? A.日志收集 B.消息系统 C.业务系统 D.流式处理 6、大数据的多样性使得数据被分为三种数据结构 ,那么以下不是三种数据结构之一的是 A.结构化数据 B.非结构化数据 C.半结构化数据 D.全结构化数据 7、下列选项中 ,不是人工智能的算法中的学习方法的是? A.重复学习 B.深度学习 C.迁移学习 D.对抗学习
8、自然语言处理难点目前有四大类,下列选项中不是其中之一的是 A.机器性能 B.语言歧义性 C.知识依赖 D.语境 9、传統的机器学习方法包括监督学习、无监督学习和半监督学习,其中监督学习是学习给定标签的数据集。请问标签为离散的类型,称为分类 ,标签为连续的类型,称为什么? A.给定标签 B.离散 C.分类 D.回归 10 、中国移动自主研发、发布的首个人工智能平台叫做() A.九天 B.OneNET C.移娃 D.大云 11 、HDFS 中 Namenodef的Metadata的作用是? A.描述数据的存储位置等属性 B.存储数据
第 - 1 - 页 共 4 页 数据挖掘试卷 课程代码： C0204413 课程： 数据挖掘A 卷 一、判断题（每题1分，10分） 1. 从点作为个体簇开始，每一步合并两个最接近的簇，这是一种分裂的层次聚类方法。（ ） 2. 数据挖掘的目标不在于数据采集策略，而在于对已经存在的数据进行模式的发掘。（ ） 3. 在聚类分析当中，簇内的相似性越大，簇间的差别越大，聚类的效果就越差。（ ） 4. 当两个点之间的邻近度取它们之间距离的平方时，Ward 方法与组平均非常相似。（ ） 5. DBSCAN 是相对抗噪声的，并且能够处理任意形状和大小的簇。（ ） 6. 属性的性质不必与用来度量他的值的性质相同。（ ） 7. 全链对噪声点和离群点很敏感。（ ） 8. 对于非对称的属性，只有非零值才是重要的。（ ） 9. K 均值可以很好的处理不同密度的数据。（ ） 10. 单链技术擅长处理椭圆形状的簇。（ ） 二、选择题（每题2分，30分） 1. 当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分离？( ) A.分类 B.聚类 C.关联分析 D.主成分分析 2. ( )将两个簇的邻近度定义为不同簇的所有点对邻近度的平均值，它是一种凝聚层次聚类技术。 A.MIN(单链) B.MAX(全链) C.组平均 D.Ward 方法 3.数据挖掘的经典案例“啤酒与尿布试验”最主要是应用了( )数据挖掘方法。 A 分类 B 预测 C 关联规则分析 D 聚类 4.关于K 均值和DBSCAN 的比较，以下说法不正确的是( ) A.K 均值丢弃被它识别为噪声的对象，而DBSCAN 一般聚类所有对象。 B.K 均值使用簇的基于原型的概念，DBSCAN 使用基于密度的概念。 C.K 均值很难处理非球形的簇和不同大小的簇，DBSCAN 可以处理不同大小和不同形状的簇 D.K 均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN 会合并有重叠的簇 5.下列关于Ward ’s Method 说法错误的是：( )
SPSS数据案例分析 目录 一.手机 APP 广告点击意愿的模型构建 2 1.1构建研究模型 2 1.2研究变量及定义 2 1.3研究假设 3 1.4变量操作化定义 3 1.5问卷设计 3 二．实证研究 5 2.1基础数据分析 5 2.2频数分布及相关统计量 5 2.3相关分析 7 2.4回归分析 8 2.5假设检验 10
一.手机APP 广告点击意愿的模型构建 1.1构建研究模型 我们知道效用期望、努力期望、社会影响对行为意愿会产生一定的影响，在模型中的性别、年龄、经验与自愿性等四个控制变量，通常都是作为控制变量来观察他们对采用因素与使用意向之间的关系的影响。因此，目前手机APP 广告的使用人群年龄相对比较年轻，而且年龄特征分布高度集中，年龄在30 岁以下的人群占到70%以上，因此本研究考虑性别了这一变量，同时根据手机APP 广告用户的特性，加入了手机流量作为控制变量，去观察它们对外部变量与点击意愿之间的关系是否有显著影响。 在本研究中，主要把调节变量和控制变量作为两个不同的研究变量，对于调节变量感知风险来说，它是直接影响了感知风险与手机APP 广告点击意愿二者的关系；而控制变量性别、手机流量这些变量是对广告效用期望、APP 效用期望和社会影响与点击意愿直接的关系是否有显著影响。最后，本文根据手机APP 广告的特点对UTAUT 模型进行扩展，构建了手机APP 广告点击意愿的影响因素研究模型。
1.2研究变量及定义 1.3研究假设 (1) 广告效用期望、APP 效用期望、社会影响与手机APP 点击意向的关系 H1：用户的广告效用期望与点击手机APP 广告意愿正相关。 H2：用户的APP 效用期望与点击手机APP 广告意愿正相关 H3：社会影响与手机APP 广告点击意愿正相关 （2）感知风险与点击手机APP 广告意愿的关系 H4：感知风险与手机APP 广告点击意愿负相关 H5：性别，手机流量对手机 APP 广告点击意愿没有显著影响
第一章SPSS概览－－数据分析实例详解 1.1 数据的输入和保存 1.1.1 SPSS的界面 1.1.2 定义变量 1.1.3 输入数据 1.1.4 保存数据 1.2 数据的预分析 1.2.1 数据的简单描述 1.2.2 绘制直方图 1.3 按题目要求进行统计分析 1.4 保存和导出分析结果 1.4.1 保存文件 1.4.2 导出分析结果 希望了解SPSS 10.0版具体情况的朋友请参见本网站的SPSS 10.0版抢鲜报道。 例1.1 某克山病区测得11例克山病患者与13名健康人的血磷值(mmol/L)如下, 问该地急性克山病患者与健康人的血磷值是否不同（卫统第三版例4.8）？ 患者: 0.84 1.05 1.20 1.20 1.39 1.53 1.67 1.80 1.87 2.07 2.11 健康人: 0.54 0.64 0.64 0.75 0.76 0.81 1.16 1.20 1.34 1.35 1.48 1.56 1.87 解题流程如下：
1.将数据输入SPSS，并存盘以防断电。 2.进行必要的预分析（分布图、均数标准差的描述等），以确定应采 用的检验方法。 3.按题目要求进行统计分析。 4.保存和导出分析结果。 下面就按这几步依次讲解。 §1.1 数据的输入和保存 1.1.1 SPSS的界面 当打开SPSS后，展现在我们面前的界面如下： 请将鼠标在上图中的各处停留，很快就会弹出相应部位的名称。 请注意窗口顶部显示为“SPSS for Windows Data Editor”，表明现在所看到的是SPSS的数据管理窗口。这是一个典型的Windows软件界面，有菜单栏、
数据挖掘技术在通信行业中的应用 摘要：本文作者结合自己多年的实际工作经验，对通信行业中数据挖掘技术的相关问题进行分析，同时提出了自己的看法和意见，仅供参考。 关键词：数据挖掘通信应用 1、前言 随着科技的进步，通信技术也得到了迅猛的发展，数据挖掘技术以其强大的数据分析能力，在通信行业客户分析及消费行为分析方面得到广泛的应用，如客户关系管理，客户欺诈分析，客户流失分析，客户消费模式分析，市场推广分析等。通信行业是最早采用数据挖掘技术的行业之一。电信运营企业在日常经营中产生并存储了海量的数据，这些数据包括以下几类：呼叫详单数据，描述呼叫在电信网络中的全部情况；网络数据，描述网络中软硬件设施的状况；用户数据，描述电信网络中的用户信息情况。这些数据量非常之大，手工进行分析是很困难或根本不可能的。在海量数据处理需求的背景下，以知识为基础的专家系统(knowledgebased expert systems)应运而生的。简单地讲，专家系统就是一个具有智能特点的计算机程序，它的智能化主要表现为能够在特定的领域内模仿人类专家思维来求解复杂问题。因此，专家系统必须包含领域专家的大量知识，拥有类似人类专家思维的推理能力，并能用这些知识来解决实际问题。这类的专家系统可以实现一些通信行业分析的功能，然而问题系统是从现实专家那里获取知识是非常耗时的，而且在很多情况下专家并不具备所需的知识。数据挖掘技术的优势为这些问题提供了解决方案，正是因为如此通信行业较早的采用了数据挖掘技术。 2、通信行业用于挖掘的数据内容 数据挖掘过程的第一步就是理解数据，只有在对数据的理解的基础上，才可以开发出有价值的应用。这里对通信行业中具有特殊意义的呼叫详单数据进行描述，如果原始数据不适合进行数据挖掘，则需要提前对数据进行转换。 每当电信网络中发生一次呼叫，呼叫的描述信息将作为呼叫详单记录存储下来。网络中生成和存储的详单记录数量是十分巨大的。例如中国联通一个二类城市3G本地网每天产生的话单条数就有1000万条之多。照此计算如果要在线存储几个月的详单数据，数据库中的数据将达到几十亿条。 呼叫详单记录包括了供描述每个呼叫的所有的信息，最精简的情况下，一个呼叫详单会包括主被叫号码、呼叫时长和通话时间，如图1所示。呼叫详单是实时生成的，因此数据挖掘也可以实时进行。相对来说，用户的账单信息一般是每个月生成一次的，实时性要差一些。
数据挖掘概述 阅读目录 ?何为数据挖掘？ ?数据挖掘背后的哲学思想 ?数据挖掘的起源 ?数据挖掘的基本任务 ?数据挖掘的基本流程 ?数据挖掘的工程架构 ?小结 回到顶部何为数据挖掘？ 数据挖掘就是指从数据中获取知识。 好吧，这样的定义方式比较抽象，但这也是业界认可度最高的一种解释了。对于如何开发一个大数据环境下完整的数据挖掘项目，业界至今仍没有统一的规范。说白了，大家都听说过大数据、数据挖掘等概念，然而真正能做而且做好的公司并不是很多。
笔者本人曾任职于A公司云计算事业群的数据引擎团队，有幸参与过几个比较大型的数据挖掘项目，因此对于如何实施大数据场景下的数据挖掘工程有一些小小的心得。但由于本系列博文主要是结合传统数据挖掘理论和笔者自身在A云的一些实践经历，因此部分观点会有较强主观性，也欢迎大家来跟我探讨。 回到顶部数据挖掘背后的哲学思想 在过去很多年，首要原则模型(first-principle models)是科学工程领域最为经典的模型。 比如你要想知道某辆车从启动到速度稳定行驶的距离，那么你会先统计从启动到稳定耗费的时间、稳定后的速度、加速度等参数；然后运用牛顿第二定律(或者其他物理学公式)建立模型；最后根据该车多次实验的结果列出方程组从而计算出模型的各个参数。通过该过程，你就相当于学习到了一个知识--- 某辆车从启动到速度稳定行驶的具体模型。此后往该模型输入车的启动参数便可自动计算出该车达到稳定速度前行驶的距离。 然而，在数据挖掘的思想中，知识的学习是不需要通过具体问题的专业知识建模。如果之前已经记录下了100辆型号性能相似的车从启动到速度稳定行驶的距离，那么我就能够对这100个数据求均值，从而得到结果。显然，这一过程是是直接面向数据的，或者说我们是直接从数据开发模型的。 这其实是模拟了人的原始学习过程 --- 比如你要预测一个人跑100米要多久时间，你肯定是根据之前了解的他(研究对象)这样体型的人跑100米用的多少时间做一个估计，而不会使用牛顿定律来算。 回到顶部数据挖掘的起源 由于数据挖掘理论涉及到的面很广，它实际上起源于多个学科。如建模部分主要起源于统计学和机器学习。统计学方法以模型为驱动，常常建立一个能够产生数据的模型；而机器学习则以算法为驱动，让计算机通过执行算法来发现知识。仔细想想，"学习"本身就有算法的意思在里面嘛。
《数据分析及其应用软件》习题 姓名＿＿学号＿＿＿成绩 习题1：出钢时所用盛钢水的钢包，因钢水对耐火材料的侵蚀，容积不断增大我们希望找出使用次数与增大的容积之间的关系，试验数据如下： 使用次数x增大容积y 2 6.42 38.20 49.58 59.50 69.70 710.00 89.93 99.99 1010.49 1110.59 1210.60 1310.80 1410.60 1510.90 1610.76 写出分析报告（内容包括以下四点） 1.用双曲线1/y = a+b/x作曲线拟合：（1）画出散点图，（2）写出回 归方程，（3）进行检验，（4）分析结果，（α= 0.05） 2.用指数曲线y = ae b/x 作曲线拟合：（1）画出散点图，（2）写出回 归方程，（3）进行检验，（4）分析结果，（α= 0.05） 3.比较两种曲线后，写出较优的曲线回归方程. 4.使用较优的曲线回归方程预测当使用次数为17次时钢包的容积增大多 少？ 习题2：1．研究货运总量（万吨）与工业总值(亿元)、农业总产值（亿元）、居民非商品支出（亿元）的关系。数据见下表 编号货运总量 （万吨）工业总产值 （亿元） 农业总产值 （亿元） 居民非商品支出 （亿元） 1 2 3160 260 210 70 75 65 35 40 40 1.0 2.4 2.0
4 5 6 7 8 9 10265 240 220 275 160 275 250 74 72 68 78 66 70 65 42 38 45 42 36 44 42 3.0 1.2 1.5 4.0 2.0 3.2 3.0 （1）计算出的相关系数矩阵； （2）求关于的三元线性回归方程； （3）对所求得的回归方程作拟合优度检验； （4）对回归方程做显著性检验； （5）对每一个回归系数做显著性检验； （6）如果有的回归系数没有通过显著性检验，将其剔除。 重新建立回归方程，再作回归方程的显著性检验和回归系数显著性检验； （7）求出每一个回归系数的之置信水平为95%的置信区间； （8）求出标准化回归方程； （9）求当=75,=42,=3.1时的值，给定置信水平为99%，用SPSS软件计算精确置信区间，用手工计算近似预测区间； （10）结合回归方程对问题作一些基本分析。 习题3：为研究某地区人口死亡状况，已按某种方法将15个已知样品分为3类，指标及原始数据如下表。利用费歇线性判别函数，判定另外4个待判样品属于哪一类？ 某地区人口死亡状况指标及原始数据表 组别序 号 = 0岁 组 死亡概率 =1岁 组死亡概 率 = 1 0岁 组死亡概率 =55岁 组死亡概率 =80岁 组死亡概率 =平均 预期寿命 第一 组 134.167.44 1.127.8795.1969.30 233.06 6.34 1.08 6.7794.0869.70 336.269.24 1.048.9797.3068.80 440.1713.45 1.4313.88101.2066.20 550.0623.03 2.8323.74112.5263.30
前言 “啤酒与尿布”的故事是营销届的神话，“啤酒”和“尿布”两个看上去没有关系的商品摆放在一起进行销售、并获得了很好的销售收益，这种现象就是卖场中商品之间的关联性，研究“啤酒与尿布”关联的方法就是购物篮分析，购物篮分析曾经是沃尔玛秘而不宣的独门武器，购物篮分析可以帮助我们在门店的销售过程中找到具有关联关系的商品，并以此获得销售收益的增长！ 商品相关性分析是购物篮分析中最重要的部分，购物篮分析英文名为market basket analysis(简称MBA，当然这可不是那个可以用来吓人的学位名称)。在数据分析行业，将购物篮的商品相关性分析称为“数据挖掘算法之王”，可见购物篮商品相关性算法吸引人的地方，这也正是我们小组乐此不疲的围绕着购物篮分析进行着研究和探索的根本原因。 购物篮分析的算法很多，比较常用的有A prior/ ?’ p r i ?/算法、FP-tree结构和相应的FP-growth算法等等，上次课我们组的邓斌同学已经详细的演示了购物篮分析的操作流程，因此在这里我不介绍具体的购物篮分析算法，而是在已经获得的结果的基础上剖析一下数据身后潜藏的商业信息。目前购物篮分析的计算方法都很成熟，在进入20世纪90年代后，很多分析软件均将一些成熟的购物篮分析算法打包在自己的软件产品中，成为了软件产品的组成部分，客户购买了这些软件产品后就等于有了购物篮分析的工具，比如我们正在使用的Clementine。 缘起 “啤酒与尿布”的故事可以说是营销界的经典段子，在打开Google搜索一下，你会发现很多人都在津津乐道于“啤酒与尿布”，可以说100个人就有100个版本的“啤酒与尿布”的故事。故事的时间跨度从上个世纪80年代到本世纪初，甚至连故事的主角和地点都会发生变化——从美国跨越到欧洲。认真地查了一下资料，我们发现沃尔玛的“啤酒与尿布”案例是正式刊登在1998年的《哈佛商业评论》上面的，这应该算是目前发现的最权威报道。 “啤酒与尿布”的故事产生于20世纪90年代的美国沃尔玛超市中，沃尔玛的超市管理人员分析销售数据时发现了一个令人难于理解的现象：在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中，这种独特的销售现象引起了管理人员的注意，经过后续调查发现，这种现象出现在年轻的父亲身上。 在美国有婴儿的家庭中，一般是母亲在家中照看婴儿，年轻的父亲前去超市购买尿布。父亲在购买尿布的同时，往往会顺便为自己购买啤酒，这样就会出现啤酒与尿布这两件看上去不相干的商品经常会出现在同一个购物篮的现象。如果这个年轻的父亲在卖场只能买到两件商品之一，则他很有可能会放弃购物而到另一家商店，直到可以一次同时买到啤酒与尿布为止。沃尔玛发现了这一独特的现象，开始在卖场尝试将啤酒与尿布摆放在相同的区域，让年轻的父亲可以同时找到这两件商品，并很快地完成购物；而沃尔玛超市也可以让这些客户一次购买两件商品、而不是一件，从而获得了很好的商品销售收入，这就是“啤酒与尿布”故事的由来。 当然“啤酒与尿布”的故事必须具有技术方面的支持。1993年美国学者Agrawal （个人翻译--艾格拉沃）提出通过分析购物篮中的商品集合，从而找出商品之间关联关系的关联算法，并根据商品之间的关系，找出客户的购买行为。艾格拉沃从数学及计算机算法角度提出了商品关联关系的计算方法——A prior算法。沃尔玛从上个世纪90年代尝试将A prior算法引入到POS机数据分析中，并获得了成功，于是产生了“啤酒与尿布”的故事。 “啤酒和尿布”的故事为什么产生于沃尔玛超市的卖场中
:号学 题目-一 - -二 二 三四五六七八九十总成绩复核得分 阅卷教师 :名姓班 级 业专 院 学院学学科息信与学数 题试试考末期期学季春年学一320数据挖掘试卷 课程代码：C0204413课程：数据挖掘A卷 一、判断题（每题1分，10分） 1. 从点作为个体簇开始，每一步合并两个最接近的簇，这是一种分裂的层次聚类方法。（） 2. 数据挖掘的目标不在于数据采集策略，而在于对已经存在的数据进行模式的发掘。（） 3. 在聚类分析当中，簇内的相似性越大，簇间的差别越大，聚类的效果就越差。（） 4. 当两个点之间的邻近度取它们之间距离的平方时，Ward方法与组平均非常相似。（） 5. DBSCAN是相对抗噪声的，并且能够处理任意形状和大小的簇。（） 6. 属性的性质不必与用来度量他的值的性质相同。（） 7. 全链对噪声点和离群点很敏感。（） 8. 对于非对称的属性，只有非零值才是重要的。（） 9. K均值可以很好的处理不同密度的数据。（） 10. 单链技术擅长处理椭圆形状的簇。（） 二、选择题（每题2分，30分） 1. 当不知道数据所带标签时，可以使用哪种技术促使带同类标签的数据与带其他标签的数据相分 离？（） A. 分类 B.聚类 C.关联分析 D.主成分分析 2. （）将两个簇的邻近度定义为不同簇的所有点对邻近度的平均值，它是一种凝聚层次聚类技术。 A. MIN（单链） B.MAX（全链） C.组平均 D.Ward方法 3. 数据挖掘的经典案例“啤酒与尿布试验”最 主要是应用了（）数据挖掘方法。 A分类B预测C关联规则分析D聚类 4. 关于K均值和DBSCAN的比较，以下说法不正确的是（） A. K均值丢弃被它识别为噪声的对象，而DBSCAN —般聚类所有对 象。 B. K均值使用簇的基于原型的概念，DBSCAN使用基于密度的概念。 C. K均值很难处理非球形的簇和不同大小的簇，DBSCAN可以处理不同大小和不同形状的簇 D. K均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但是DBSCAN会合并有重叠的簇 5. 下列关于 Ward 'Method说法错误的是：（） A. 对噪声点和离群点敏感度比较小 B. 擅长处理球状的簇 C. 对于Ward方法，两个簇的邻近度定义为两个簇合并时导致的平方误差 D. 当两个点之间的邻近度取它们之间距离的平方时，Ward方法与组平均非常相似 6. 下列关于层次聚类存在的问题说法正确的是：（） A. 具有全局优化目标函数 B. Group Average擅长处理球状的簇 C. 可以处理不同大小簇的能力 D. Max对噪声点和离群点很敏感 7. 下列关于凝聚层次聚类的说法中，说法错误的事： （） A. 一旦两个簇合并，该操作就不能撤销 B. 算法的终止条件是仅剩下一个簇 2 C. 空间复杂度为O m D. 具有全局优化目标函数 8规则｛牛奶，尿布｝T｛啤酒｝的支持度和置信度分别为：（）
中国移动经营分析系统 一、中国移动经营分析现状研究近几年，随着国内电信企业的不断发展，电信行业的竞争也趋于白热化。一方面，客户选择电信业务及电信企业的余地越来越大，电信企业之间对客户的争夺也越来越激烈。经过运营商不断的“价格战”，电信市场出现了严重的“增量不增收”现象，大量低忠诚度的客户转网或变更业务。电信企业虽纷纷采用具有一定优惠期限的活动来降低客户的流失率，但在优惠期结束后，很多客户便纷纷离网或弃卡重入网以套取新的优惠，仍造成了大规模的客户流失，致使电信企业的业务收入下滑、客户发展效率低成本高。另一方面，电信客户近几年高速增长，形成了庞大、需求差异很大的客户群；同时适用于不同人群的各种新业务不断推出，电信企业需要通过细分市场、客户群，将最合适的业务推销给最需要的客户，实现业务和客户的最佳匹配。 在这种激烈的竞争情况下，如何提高经济效益，如何运用科学的经营分析方法，实现精细化的管理和营销，用高质量的服务来吸引和留住客户，扩大市场占有率，在竞争中占据有利位置，是国内各电信运营商关注的重点。 基于以上背景，国内电信运营商纷纷建立起以“经营分析系统”为核心的企业决策支持体系，通过对公司日常经营数据的分析、挖掘，为公司决策者、各级管理者提供经营决策依据，以实现精细化营销。 1、中国移动经营分析系统建设概况 为保证中国移动在激烈的市场竞争中能够满足新业务、新需求、新机会的需要，有效提高中国移动市场前沿的信息化水平，辅助提升中国移动市场精细化营销水平和深度运营能力，确保中国移动的市场领先地位，中国移动
在完成业务支撑系统(BOSS)建设和集中化后，于2001年开始筹备经营分析系统，起草了规范和标准。2002年中国移动开始投入巨资进行经营分析系统建设，并于2004年实现省级经营分析系统和有限公司一级经营分析系统的全国联网。 经营分析系统的投入使用，使中国移动初步建立了面向企业运营的统一数据信息平台，为全网业务、客户服务、市场营销、经营决策、业务实施等工作提供了有效的支撑，同时进一步支持了有限公司对各省市场经营活动的管理和指导，在中国移动的业务运营中发挥了重要的作用，为中国移动精细化运营提供了基础。 2、中国移动经营分析系统框架介绍 中国移动经营分析系统通过与其它业务系统的有机结合，有效利用业务支撑系统(BOSS)和服务、财务、网络等系统产生的大量基础数据，运用数据仓库、联机分析处理、数据挖掘等先进技术，并通过预定义报表、即席查询、OLAP分析等功能，实现对公司的经营情况的分析和监控。 经营分析系统主要包括四层结构，即数据获取层、数据存储层、数据应用层和数据访问层。 (1)数据获取层 数据获取层支持中国移动省级经营分析系统从BOSS、DSMP、网管等源系统中将相关业务数据进行抽取、清洗、加工、整理并加载到数据仓库的过程。 (2)数据存储层
SPSS与数据统计分析期末论文影响学生对学校服务满意程度的因素分析
一、数据来源 本次数据主要来源自本校同学，调查了同学们年级、性别、助学金申请情况、生源所在地、学院、毕业学校、游历情况、家庭情况、升高、体重、近视程度、学习时间、经济条件、兴趣、对学校各方面的评价、与对学校总评价以及建议等共41条信息，共收集数据样本724条。我们将运用SPSS，对变量进行频数分析、样本T检验、相关分析等手段，旨在了解同学们对学校提供的满意程度与什么因素有关。 二、频数分析 可靠性统计 克隆巴赫Alpha项数 .98562 对全体数值进行可信度分析
本次数据共计724条，首先从可靠性统计来看，alpha值为0.985，即全体数据绝大部分是可靠的，我们可以在原始数据的基础上进行分析与处理。 其中，按年级来看，绝大多数为大二学生填写（占了总人数的67.13%），之后分别依次为大二（23.76%）、大四（4.14%）、大一（4.97%）。而从专业来看，占据了数据绝大多数样本所在的学院为机械、材料、经管、计通。 三、数据预处理 拿到这份诸多同学填写的问卷之后，我们首先应对一些数据进行处理，对于数据的缺失值处理，由于我们对本份调查的分析重点方面是关于学生的经济情况的，因此对于确实的部分数据，升高、体重、近视度数、感兴趣的事等无关项我们均不需要进行缺失值的处理，而我们可能重点关注的每月家里给的钱、每月收入以及每月支出，由于其具有较强主观性，如果强行处理缺失值反而会破坏数据的完整性，因此我们筛去未填写的数据，将剩余数据当作新的样本进行分析。 而对于一些关键的数据，我们需要做一些必要的预处理，例如一些调查项，我们希望得到数值型变量，但是填写时是字符型变量，我们就应该新建一个数字型变量并将数据复制，以便后续分析。同时一些与我们分析相关的缺省值，一些明显可以看出的虚假信息，我们都需要先
摘要 随着信息化时代的来临，移动通讯市场的竞争越来越激烈，抢占市场份额、提高客户与企业之间的黏度是移动通讯企业一直的目标。消费行为分析是客户关系管理的重要组成部分, 传统的分析都是借助于经济学的基本理论进行的,没有进行定量的研究,结果存在一定的局限性。在新技术不断发展的今天,数据挖掘技术作为一项强大的数据分析技术, 在客户关系管理中的应用正得到越来越多人的关注。在以客户为中心的竞争环境中，如果既能拥有大量的信息，就能在激烈的竞争中取得优势。数据挖掘是从大量数据中提取或挖掘知识进行数据分析， 从而发现潜在信息的技术。对客户进行细分能够帮助企业从更加深入全面的角度洞察客户、 了解客户价值取向，基于这种洞察在合适的时间通过合适的渠道向合适的客户提供量身定做 的产品套餐。基于此背景提出了该课题。 如何从大量的消费者消费记录中发现消费者的消费行为，对移动通讯企业提高客户的满意度 等有着重要的战略意义。本文基于数据挖掘的移动通信消费者消费行为的研究以数据进行驱 动，对移动通讯消费者消费行为进行了相关分析，基于已处理的数据，进行消费者细分。通过 K-Means、Two-Step 和 Kohonen 聚类方法，分别进行聚类，最终选择了 K-Means 的细分结果作为消费者细分准则，得到五类消费者，即重要保持客户、重要发展客户、重要挽留客户、 一般价值客户和低价值客户。本文第一章首先阐述了数据挖掘的相关理论，并对消费者行为分析 进行分析，第二章阐述了数据挖掘理论，介绍了数据挖掘的特点和数据挖掘的一般过程 以及数据挖掘的特点。第三章进行了消费者行为分析，包括客户关系的管理、CRM流程、消费者行为分析和消费者细分的方法，以及移动通讯企业的消费者细分问题。第四章描述了移动通讯消费者细分的案例，进行了数据预处理消费者聚类，以及细分客户消费行为分析。第五章进行了移动通讯消费者的相关性分析，包括消费者购买的相关性消费者消费行为的分 析，在第六章进行了总结与展望。本文在移动通讯消费者购买倾向上共进行了CART算 法、 CHAID算法和 C5.0 算法，这三种算法进行处理，最终的二道重要保持客户和年龄关系较大， 重要挽留客户和消费频率关系较大，重要发展客户则和最近一次消费时间相关性高，一般价值客户和消费频率与消费金额有关，低价值客户则和性别有一定关系。针对此，在展开营销策划时，可以针对性进行营销。j6j7f6o1k3 。 关键词： RFM、客户细分、数据挖掘、CART算法、消费者行为
武大学长美国常春藤名校计算机硕士录取经验分享 哥大CS系成立于1979年，项目在计算机领域覆盖很广，学生可以从八个研究方向中选择自己感兴趣的进行修习，包括计算生物学、计算机安全、计算机科学基础、机器学习、自然语言处理、网络系统、软件系统、视觉与图形等等。 哥伦比亚大学计算机硕士课程要求学生必须完成30个学分，至少2.7以上的GPA成绩并完成选修课程，需要完成至少6学分的6000-level的技术课程，最多3学分的非计算机/技术的课程。 一．武汉申友留学美国计算机硕士名校成功申请案例 学生姓名：Chen Z.H. 本科学校：武汉大学 本科专业：计算机 基本条件：GPA3.3+，IELTS7.5，GRE320+ 申请方向：美国计算机硕士 录取结果： 哥伦比亚大学（美国常春藤名校，2019年US NEWS 排名TOP3） 佛罗里达大学（$4500奖学金） 武汉申友留学顾问老师点评Chen同学的申请： 记得特别清楚，去年9月28日下午，陈爸爸很焦急的打电话过来咨询孩子的留学申请，因为一开始是打算考国内的研究生，临时决定还是出国读研，留学考试都还没有开始准备，研究背景方面也有所欠缺，所以时间特别紧凑。国庆节过后立即签约加入了武汉申友美国服务，考试辅导老师Bella老师立即帮陈同学定制短期冲刺备考方案，武汉高级文书顾问Jessy老师也根据陈同学的现有背景出文书初稿，好在陈同学学习能力很强，在短短2个月的时间，一战考出GRE320+，IELTS7.5的好成绩，赶在圣诞节前提交了部分申请。由于陈同学的GPA不是很高，研究背景方面有些不足，陆续也收到过几所学校的拒信，但是我们都没有放弃，在3月份终于拿到了哥伦比亚大学和佛罗里达大学带奖学金的录取。 二．去美国留学计算机专业申请难度分析 计算机专业毕业生的一大优势是薪资水平高，本科毕业生平均起薪为58,419美元，研究生则增加到了70,625美元。极高的投资回报率，加上专业方向非常多，不同背景的学生都可以申请，所以计算机专业申请人数连年持续走高，申请竞争激烈，而申请的软硬件条件也水涨船高。
中国移动视频大数据发展分析2017本产品保密并受到版权法保护 2017.10 如需免费获取本完整版分析请关注易观订阅号 后台回复“移动视频大数据“获取。 更多最新内容尽在 (ID：enfodesk)
分析说明 l大数据：大数据是一个伴随社会信息化而诞生,以海量数据(主要特征包括数量大、种类多、处理速度要求快、以前没有或无法获取且现在正不断生成)积累为基础，囊括无数条“数据产生-数据处理-信息提取-数据消费-新数据生产”的环状链，以降低信息不对称、提高决策有效性、推进智慧和知识演进为目标，可广泛作用于几乎所有实体的跨界生态系统和发展趋势。l移动视频大数据：指在移动端视频观看过程中，用户自身价值及观看产生的行为数据，通过用户数据价值的挖掘，有利于视频网站了解用户需求，实现精细化运营。 分析范畴 l本次分析内容主要针对中国大数据、 移动视频大数据市场进行分析。 l本次分析内容涉及的关键字为：大 数据、移动视频、云计算等。 l本次分析的国家和区域主要包括： 中国大陆，不包括港澳台地区。 数据说明 l数据说明：易观根据市场公开数据 和行业访谈以及相关数据模型估算。 分析定义
目录 CONTENTS 01 大数据产业发展现状 02 移动视频大数据的发展与应用 03 典型代表厂商分析 04移动视频大数据未来发展趋势
? Analysys 易观https://www.doczj.com/doc/855791918.html, PART 1 大数据产业发展现状
国外大数据产业发展较快，在物联网、人工智能技术推动下，数据量快速壮大，大数据市场高速发展 云用于大数据应用成为企业关注重点 281亿 美元 4万艾 字节 2016年，全球大数据 硬件、软件和服务整体 市场增长22%达到281亿美元（Wikibon） 2020年全球所产生 数据量将达到近4万艾字节（IDC）大数据软件细分市场快速增长 物联网推动海量数据产生，传感器成为物联网数据的重要采集方法 全球主要大数据公司：国外相继将大数据列为国家发展战略 网络安全问题凸显
相关分析 一、两个变量的相关分析：Bivariate 1．相关系数的含义 相关分析是研究变量间密切程度的一种常用统计方法。相关系数是描述相关关系强弱程度和方向的统计量，通常用r 表示。 ①相关系数的取值范围在-1和+1之间，即：–1≤r ≤ 1。 ②计算结果，若r 为正，则表明两变量为正相关；若r 为负，则表明两变量为负相关。 ③相关系数r 的数值越接近于1（–1或+1），表示相关系数越强；越接近于0，表示相关系数越弱。如果r=1或–1，则表示两个现象完全直线性相关。如果=0，则表示两个现象完全不相关（不是直线相关）。 ④3.0 三峡大学 硕士学位论文 数据挖掘技术在电信行业客户流失分析中的应用研究 姓名：田瑞 申请学位级别：硕士 专业：计算机应用技术 指导教师：周学君 20090401 内容摘要 当今数据挖掘技术快速发展，数据挖掘在很多领域中所起的重要作用己被越来越多的人认可，随着电信体制改革的深化，我国电信运营业的竞争日趋激烈，因此如何维持现有的客户不流失已经是电信运营商急需解决的一个课题。要保持现有的客户，电信运营商需提前预知某些客户是否有流失的可能性，进而才能采取有效的市场策略对客户加以挽留。我将基于数据挖掘的思想，通过建立客户流失预测模型对客户进行分析，得出流失客户的特征信息，从而起到指导企业决策的作用。 针对电信行业的客户流失预测，国内外的专家学者已进行了大量的研究工作。主要有采用决策树方法、神经网络方法、线性回归等方法来分析电信行业影响客户流失的一些重要因素。但现有方法存在如训练结构单一等等的问题，本文将针对现有方法的不足，对客户流失预测模型进行改进。 本文所做的工作包括以下几部分： 首先，介绍了数据挖掘的理论及其相关算法，总结分析了决策树算法和人工神经网络算法以及这两种算法性能的比较，并对数据挖掘工具SPSS Clementine软件做了详细的介绍。 其次，将山西省电信行业的无线市话小灵通历史数据为对象，从小灵通本身业务的实际情况出发，分析探讨了小灵通业务在做流失预测分析时所可能用到的数据基础和属性基础。根据其实际需求，给出数据挖掘的过程模型。 再次，针对现行大部分数据挖掘模型的单一性缺点，为了充分利用决策树和神经网络算法的优点，提出并建立了一种基于这两种算法的客户流失预测混合模型，并且通过实际的数据对该模型进行了评估，结果表明使用混合客户流失预测模型对客户流失做出了准确的预测，其模型的预报精度好于传统的单一的客户流失预测模型。 最后，利用之前建立的客户预测混合模型对山西电信L分公司做了实例分析，初步得出影响客户流失的一些重要因素，并且结合该公司的实际情况提出了客户挽留措施。 研究结果表明所建立的预测模型是科学的、基本上符合实际情况，能够给决策人员提供必要的预测信息并给出解决方案，因此，研究成果对于指导电信运营商的经营决策工作将起到重要作用。 关键词：数据挖掘客户流失预测混合模型决策树神经网络 利用数据挖掘实现电信行业客户流失分析 Oracle 公司广州办事处资深顾问李军随着世界经济的全球化、市场的国际化和我国加入WTO步伐的加速，国际化的市场环境要求国内的公众电信运营企业在经营管理上向国外先进的电信运营企业看齐，以迎接电信运营业的国际化竞争。同时随着国家改革的深化，国内电信业的市场环境已渐趋合理且竞争将日益加剧。国内、国际电信业的如此态势，对公众电信运营企业的服务内容、服务方式、服务质量、经营管理以及服务意识，已提出了严峻的挑战。企业的经营模式和服务体系正以客户的价值取向和消费心理为导向，真正体现“创造需求”、“引导消费”的现代客户服务意识与理念。 在电信企业面向市场，面向国内外众多的竞争者，努力创造更高价值的同时，客户流失的不断增加，客户平均生命周期的不断缩短严重影响了电信企业的发展。那么，在激烈的市场竞争和不断变化的市场需求面前，如何最大程度的降低客户的流失率呢？常用的方法之一就是利用数据挖掘技术。 数据挖掘技术是目前数据仓库领域最强大的数据分析手段。它的分析方法是利用已知的数据通过建立数学模型的方法找出隐含的业务规则，在很多的行业已经具有成功的应用。在电信行业的应用领域主要有客户关系管理，客户欺诈分析，客户流失分析，客户消费模式分析，市场推广分析等。 那么，在客户流失分析系统中，如何应用数据挖掘技术呢？主要方式是根据以前拥有的客户流失数据建立客户属性、服务属性和客户消费数据与客户流失可能性关联的数学模型，找出客户属性、服务属性和客户消费数据与客户流失的最终状态的关系，并给出明确的数学公式。只要知道客户属性、服务属性和客户消费数据，我们就可以计算出客户流失的可能性。市场/销售部门可以根据得到的数学模型随时监控客户流失的可能性。如果客户流失的可能性过高，高于事先划定的一个限度，就可以通过多种促销手段提高客户的忠诚度，防止客户流失的发生，从而可以大大降低客户的流失率。基于严格数学计算的数据挖掘技术能够彻底改变以往电信企业在成功获得客户以后无法监控客户的流失，无法实现客户关怀的状况，把基于科学决策的客户关系管理全面引入到电信企业的市场/销售工作中来。 通常一个完整的数据挖掘过程由业务问题定义，数据选择，数据清洗和预处理，模型选择与预建立，模型建立与调整，模型的评估与检验，模型解释与应用等多个步骤组成。这里我们以个人客户流失为例说明各个步骤的功能。 1．业务问题的定义 业务问题的定义要求非常明确。任何不明确的定义都会严重影响模型的准确和应用时的效果。例如：在客户流失分析系统中，需要明确客户流失的定义。在客户流失分析中，主要有两个核心的变量：1.财务原因/非财务原因；2.主动流失/被动流失。客户的流失类别根据这两个核心变量可以分为四种。其中自愿的、非财务原因的流失客户往往是高价值的、稳定的客户。他们会正常的支付自己的服务费用，并对市场活动有所响应。所以这种客户才是我们真正想保持的客户。而真正在分析客户流失的状况时，我们还必须区分公司客户与个人客户，不同服务的贡献率，或者是不同客户消费水平流失标准的不同。举例来说，对于用一种新服务替代原有服务的客户，是否作为流失客户？又或者，平均月消费额为2000元左右的客户，当连续几个月消费额降低到500元以下，我们就可以认为客户发生流失了，而这个流失标准就不能适用于原本平均月消费额就为500数据挖掘技术在电信行业客户流失分析中的应用研究
利用数据挖掘实现电信行业客户流失分析
相关主题
文本预览